Few-Shot Learning (少样本学习)

少样本学习（FSL）是机器学习（ML）的一个特殊子领域，旨在训练模型利用极少量标注样本识别和classify 概念。在传统深度学习（DL）中，要实现高精度通常需要包含每类数千张图像的海量数据集。 然而FSL模仿了人类认知能力——能够从有限经验中快速概括，正如孩童仅看书中一两幅图画便能识别长颈鹿。这种能力对于在以下场景部署人工智能至关重要：收集海量训练数据成本过高、耗时过长或根本无法实现。

少量学习的核心机制

FSL的主要目标是通过利用先验知识来减少对大规模数据收集的依赖。 该模型无需从零开始学习模式，而是利用包含少量标注样本的"支持集"来理解新类别。这通常通过元学习（亦称"学习如何学习"）等先进技术实现。在此范式下，模型通过训练多种任务来习得最优初始化或更新规则，从而能以最小调整适应新任务。

另一种常见方法是基于度量的学习，模型通过嵌入技术将输入数据映射到向量空间。 在此空间中，相似元素 被聚类至邻近位置，而相异元素则被推离。诸如 原型网络等算法会为每类计算均值表示（即原型）， 并根据classify 查询样本与这些原型的距离classify 。该方法通常依赖于 在大型通用数据集预训练阶段 培养的特征提取能力。

实际应用

少样本学习正在改变那些因数据稀缺而阻碍人工智能技术应用的行业。

医学影像与诊断

在医学图像分析领域， 获取数千份罕见病理标注扫描图往往难以实现。 FSL使研究人员能够仅凭少量标注病例， 训练计算机视觉（CV）系统detect 肿瘤类型或特定基因异常。 这种能力使先进诊断工具的获取变得普及化—— 这正是斯坦福医学等机构追求的目标， 有助于识别那些原本需要专业人员才能诊断的病症。

工业质量控制

现代制造业人工智能高度依赖自动化检测。然而某些特定缺陷可能极为罕见，导致难以构建大规模的"不良"零件数据集。FSL技术使异常检测系统仅凭少量图像即可学习新型缺陷特征，使工厂操作员能够快速更新质量保证协议，无需停产收集数据，从而显著提升动态生产环境中的效率。

区分相关概念

区分FSL与类似的低数据学习范式有助于理解其特定的应用领域：

• 迁移学习：自监督学习（FSL）通常被实现为迁移学习的一种特殊极端形式。标准迁移学习可能通过数百张图像对YOLO26等模型进行微调，而FSL则针对每类仅有5至10张图像的场景（称为"N类K样本"分类）。
• 单样本学习：这是 自由样本学习（FSL）的严格子集，要求模型仅从单个标注样本中学习。该技术常用于 人脸识别领域，通过比对存储的单张照片来 验证身份。
• 零样本学习：不同于需要至少少量视觉支持集的监督学习，零样本学习在训练过程中无需目标类的视觉样本。它依赖语义描述或属性（如文本提示）来识别未见过的对象。

Ultralytics的实际应用

在实践中，执行少样本学习最有效的方法之一是利用高度稳健的预训练模型。像新版YOLO26这样的尖端模型，已从海量数据集中学习到丰富的特征表征，例如 COCO 或 ImageNet。通过在微型定制数据集上对这些模型进行微调，它们能够以惊人的速度和精度适应新任务。

以下Python 演示了如何使用小数据集训练模型： ultralytics 包，有效实现少样本适应：

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

挑战与未来展望

尽管功能强大，FSL在可靠性方面仍面临挑战。若提供的少量示例属于异常值或存在噪声， 模型性能可能下降，这种现象称为 过拟合。研究 数据增强和 合成数据生成技术对缓解 这些风险至关重要。 随着基础模型规模日益庞大且功能日益强大，加Ultralytics 等工具简化了模型训练与管理流程，全球开发者将能以更少的数据创建定制化AI解决方案，这种能力正变得日益普及。